CN114580108B - 一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法 - Google Patents
一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法 Download PDFInfo
- Publication number
- CN114580108B CN114580108B CN202210233730.0A CN202210233730A CN114580108B CN 114580108 B CN114580108 B CN 114580108B CN 202210233730 A CN202210233730 A CN 202210233730A CN 114580108 B CN114580108 B CN 114580108B
- Authority
- CN
- China
- Prior art keywords
- sample
- graph
- node
- model
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 18
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 18
- 239000001301 oxygen Substances 0.000 title claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000010410 layer Substances 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 abstract description 5
- 238000003723 Smelting Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，包括以下步骤：S1、获取待处理样本，去除样本噪声，对样本建模，得到完全图；S2、基于完全图，构建先验知识库与图的拓扑结构；S3、构建PGAT模型，并对其进行训练；S4、基于训练后的PGAT模型进行故障诊断。将有标签样本和无标签样本有规律地连接在一起，通过引入图注意力机制计算得到先验知识库与无标签样本之间相似程度；由于模型实现故障诊断的方式是通过对比先验知识库与无标签样本之间的相似程度，所以新加入的样本不完全依赖于图的拓扑结构，解决了图卷积神经网络不易于扩展的问题，只有少量有效数据的条件下，相比其他算法具有更好的故障诊断精度。
Description
技术领域
本发明涉及故障诊断技术领域，更具体的说是涉及一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法。
背景技术
目前，氧气顶吹转炉是顶吹熔炼系统的关键设备，其安全性对于在整个顶吹炉系统中处于核心地位，如果不能对该设备故障进行早期预警，并在故障发生时能迅速定位故障，可能会产生无法估量的后果。为了避免故障造成的重大事故、巨大经济损失，往往会使用人工的方式对设备进行预防性维护或者在系统中设置阈值对设备运行的状态进行监控。
但是，人工维护的方式效率低下，而设置阈值的方式又无法发现设备的早期微小故障。然而CNN可以从多个传感器源中自动提取特征，但无法在不丢失关键信息的情况下提取空间和时间特征。目前图神经网络在故障诊断领域的应用通常需要依赖其他算法初步确定样本之间的关系，进而构建图。
因此，提出一种基于历史数据的图拓扑结构构建方法，传统深度学习算法对数据量高度依赖，图卷积神经网络中图不易于扩展是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，将有标签样本和无标签样本有规律地连接在一起，通过引入图注意力机制计算得到先验知识库与无标签样本之间相似程度；由于模型实现故障诊断的方式是通过对比先验知识库与无标签样本之间的相似程度，所以新加入的样本不完全依赖于图的拓扑结构，解决了图卷积神经网络不易于扩展的问题，只有少量有效数据的条件下，相比其他算法具有更好的故障诊断精度。
为了实现上述目的，本发明采用如下技术方案：
一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，包括以下步骤：
S1、获取待处理样本，去除样本噪声，对样本建模，得到完全图；
S2、基于完全图，构建先验知识库与图的拓扑结构；
S3、构建PGAT模型，并对其进行训练；
S4、基于训练后的PGAT模型进行故障诊断。
优选的，所述步骤S1具体包括：
S11、采用滑动窗口，分割一维振动信号，得到待处理样本；
S12、对待处理样本进行短时傅里叶变换，出去样本中的噪声；
S13、将变换后得到的样本进行建模，样本中包含多个数值，每个数值对应一个节点，节点构成完全图，即每个样本对应一个完全图，具有对应的度矩阵和邻接矩阵，所以，拉普拉斯矩阵L定义为：
其中，V∈RN×N为正交矩阵，vi为L的特征向量，称其为图信号上的傅里叶基，其对应的特征向量λi为图信号的频率，分解得到的频率λi代替原样本称为新的样本。
优选的，所述步骤S2具体包括：
取不同标签下的样本各个，把具有相同标签的样本相互连接，形成一个簇，构成该标签下的先验知识库，将其余样本分别与先验知识库中的样本进行连接，得到先验知识库与图的拓扑结构；以未标注样本为结构的中心，先验知识库中所有的样本与中心的样本相互连接。
优选的，所述步骤S3具体包括：
S31、设GATs的输入为节点特征的集合其中，N为节点的数量，F为节点的特征维度，l为模型的层数，获取节点特征的隐藏层，基于图注意力层对节点的特征进行线性变换，其权重矩阵为/> 得到隐藏层的特征合集为
S32、设中心节点为vi，vi到邻居节点vj的权重系数为：
其中，为中心节点vi的邻居节点的集合，a(·)为计算两个节点相关度的函数；
S32、计算图中任意一个节点到中心节点vi的权重系数，将其限制在一阶邻居内，对权重系数进行归一化处理：
设a(·)为单层的反向传播神经网络，其参数为权重向量
S33、基于LeakyReLu函数，增加模型的非线性，则优化后的权重系数为：
其中，||为连接操作；
S34、节点依据下式对信息进行聚合：
引入多头注意力机制，稳定注意力机制的学习过程，即设置K组相互独立的注意力机制，除最后一层外，把每一个头聚合得到的向量拼接起来：
将K个头的信息进行聚合，使用线性整流函数增加其非线性，基于平均化的方式对多头信息进行聚合：
优选的，所述步骤S4具体包括：
PGAT模型在完成训练后，每一层会得到一个线性变换矩阵W，该矩阵与第i个节点的特征相乘得到该节点的隐藏特征；由于PGAT每一层共享矩阵W的参数，通过同一个矩阵W计算该层任何一个节点的隐藏特征；基于公式(2)，任意两个节点之间的权重系数以两个节点的隐藏特征作为输入，将其输入进评分函数中，即公式(3)；增加模型的非线性，使用激活函数LeakyReLU，通过公式(4)将中心节点与其邻居节点之间的分数做归一化处理，使得计算得到的分数具有可比性，在完成分数的计算之后，中心节点i聚合其邻居节点的特征，该聚合过程如公式(6)，若正在聚合的层是模型的最后一层，则对多头取平均值，并经由softmax函数计算每种故障的概率值，取获得最大概率值的类别为最终的诊断结果。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，将有标签样本和无标签样本有规律地连接在一起，通过引入图注意力机制计算得到先验知识库与无标签样本之间相似程度；由于模型实现故障诊断的方式是通过对比先验知识库与无标签样本之间的相似程度，所以新加入的样本不完全依赖于图的拓扑结构，解决了图卷积神经网络不易于扩展的问题，只有少量有效数据的条件下，相比其他算法具有更好的故障诊断精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的流程方法结构示意图。
图2附图为本发明提供的PGAT与传统机器学习方法比较结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，包括以下步骤：
S1、获取待处理样本，去除样本噪声，对样本建模，得到完全图；
S2、基于完全图，构建先验知识库与图的拓扑结构；
S3、构建PGAT模型，并对其进行训练；
S4、基于训练后的PGAT模型进行故障诊断。
为进一步优化上述技术方案，步骤S1具体包括：
S11、采用滑动窗口，分割一维振动信号，得到待处理样本；
S12、对待处理样本进行短时傅里叶变换，出去样本中的噪声；
S13、将变换后得到的样本进行建模，样本中包含多个数值，每个数值对应一个节点，节点构成完全图，即每个样本对应一个完全图，具有对应的度矩阵和邻接矩阵，所以，拉普拉斯矩阵L定义为：
其中，V∈RN×N为正交矩阵，vi为L的特征向量，称其为图信号上的傅里叶基，其对应的特征向量λi为图信号的频率，分解得到的频率λi代替原样本称为新的样本。
为进一步优化上述技术方案，步骤S2具体包括：
取不同标签下的样本各个，把具有相同标签的样本相互连接，形成一个簇，构成该标签下的先验知识库，将其余样本分别与先验知识库中的样本进行连接，得到先验知识库与图的拓扑结构；以未标注样本为结构的中心，先验知识库中所有的样本与中心的样本相互连接。
为进一步优化上述技术方案，步骤S3具体包括：
S31、设GATs的输入为节点特征的集合其中，N为节点的数量，F为节点的特征维度，l为模型的层数，获取节点特征的隐藏层，基于图注意力层对节点的特征进行线性变换，其权重矩阵为/> 得到隐藏层的特征合集为
S32、设中心节点为vi，vi到邻居节点vj的权重系数为：
其中，为中心节点vi的邻居节点的集合，a(·)为计算两个节点相关度的函数；
S32、计算图中任意一个节点到中心节点vi的权重系数，将其限制在一阶邻居内，对权重系数进行归一化处理：
设a(·)为单层的反向传播神经网络，其参数为权重向量
S33、基于LeakyReLu函数，增加模型的非线性，则优化后的权重系数为：
其中，||为连接操作；
S34、节点依据下式对信息进行聚合：
引入多头注意力机制，稳定注意力机制的学习过程，即设置K组相互独立的注意力机制，除最后一层外，把每一个头聚合得到的向量拼接起来：
将K个头的信息进行聚合，使用线性整流函数增加其非线性，基于平均化的方式对多头信息进行聚合：
为进一步优化上述技术方案，步骤S4具体包括：
PGAT模型在完成训练后，每一层会得到一个线性变换矩阵W，该矩阵与第i个节点的特征相乘得到该节点的隐藏特征；由于PGAT每一层共享矩阵W的参数，通过同一个矩阵W计算该层任何一个节点的隐藏特征；基于公式(2)，任意两个节点之间的权重系数以两个节点的隐藏特征作为输入，将其输入进评分函数中，即公式(3)；增加模型的非线性，使用激活函数LeakyReLU，通过公式(4)将中心节点与其邻居节点之间的分数做归一化处理，使得计算得到的分数具有可比性，在完成分数的计算之后，中心节点i聚合其邻居节点的特征，该聚合过程如公式(6)，若正在聚合的层是模型的最后一层，则对多头取平均值，并经由softmax函数计算每种故障的概率值，取获得最大概率值的类别为最终的诊断结果。
使用从金川集团有限公司采集的氧气顶吹转炉运行数据来验证PGAT在实际应用中的可行性。由于实际工况下没有采集设备的振动信号并且GCN模型适用于端到端的训练，所以仅对数据进行归一化处理。具体采集到的数据参数如表1所示。实际数据仅根据金川公司系统中设置的阈值标注是否发生异常，所以本文使用列表中的数据进行二分类。总共采集169个样本，其中异常样本为25个，采样频率为1小时一次。由于异常数据的历史数据不足40个，因此每个先验知识库中包含20个样本。
表1氧气顶吹转炉参数列表
如图2，在相同样本数量下，使用传统的机器学习算法(KNN、SVM)与PGAT进行比较。PGAT的精度为86.7％，KNN的精度为81.5％，SVM的精度为82.4％。因此验证了PGAT模型在实际工况下氧气顶吹转炉故障诊断的有效性，可解决在故障样本缺乏的情况下实现对顶吹炉的故障诊断问题。
针对有色金属冶炼系统中的氧气顶吹转炉缺乏故障样本的诊断问题，本文提出了PGAT模型。通过建立历史数据与待分类样本之间的关系模型，解决了传统深度学习算法对数据量高度依赖的问题；利用图注意力层参数共享的特性，通过图注意力机制得到无标签样本与先验知识库中样本的相似程度，解决了图卷积神经网络建模中不能引入新的参数实现图模型的扩展问题，实现了图神经网络的自适应动态建模；图卷积操作会依赖于事先确定的样本之间的关系，PGAT模型把这种关系限制在先验知识库与样本之间，所以新加入的样本仅需考虑样本与先验知识库之间的关系，解决了图卷积神经网络对其他算法的依赖。
模型分别在基准数据集和实际工况下的氧气顶吹转炉数据集上验证了有效性，实验表明，在小样本情况下，有效提高了诊断准确性，相比其他算法具有明显的优势。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，其特征在于，包括以下步骤：
S1、获取待处理样本，去除样本噪声，对样本建模，得到完全图；
S2、基于完全图，构建先验知识库与图的拓扑结构；所述步骤S2具体包括：
取不同标签下的样本各个，把具有相同标签的样本相互连接，形成一个簇，构成该标签下的先验知识库，将其余样本分别与先验知识库中的样本进行连接，得到先验知识库与图的拓扑结构；以未标注样本为结构的中心，先验知识库中所有的样本与中心的样本相互连接；
S3、构建PGAT模型，并对其进行训练；
S4、基于训练后的PGAT模型进行故障诊断；
所述步骤S3具体包括：
S31、设GATs的输入为节点特征的集合其中，N为节点的数量，F为节点的特征维度，l为模型的层数，获取节点特征的隐藏层，基于图注意力层对节点的特征进行线性变换，其权重矩阵为/> 得到隐藏层的特征合集为
S32、设中心节点为vi，vi到邻居节点vj的权重系数为：
其中， 为中心节点vi的邻居节点的集合，a(·)为计算两个节点相关度的函数；
S32、计算图中任意一个节点到中心节点vi的权重系数，将其限制在一阶邻居内，对权重系数进行归一化处理：
设a(·)为单层的反向传播神经网络，其参数为权重向量
S33、基于LeakyReLu函数，增加模型的非线性，则优化后的权重系数为：
其中，||为连接操作；
S34、节点依据下式对信息进行聚合：
引入多头注意力机制，稳定注意力机制的学习过程，即设置K组相互独立的注意力机制，除最后一层外，把每一个头聚合得到的向量拼接起来：
将K个头的信息进行聚合，使用线性整流函数增加其非线性，基于平均化的方式对多头信息进行聚合：
2.根据权利要求1所述的一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，其特征在于，所述步骤S1具体包括：
S11、采用滑动窗口，分割一维振动信号，得到待处理样本；
S12、对待处理样本进行短时傅里叶变换，出去样本中的噪声；
S13、将变换后得到的样本进行建模，样本中包含多个数值，每个数值对应一个节点，节点构成完全图，即每个样本对应一个完全图，具有对应的度矩阵和邻接矩阵，所以，拉普拉斯矩阵L定义为：
其中，V∈RN×N为正交矩阵，vi为L的特征向量，称其为图信号上的傅里叶基，其对应的特征向量λi为图信号的频率，分解得到的频率λi代替原样本称为新的样本。
3.根据权利要求1所述的一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，其特征在于，所述步骤S4具体包括：
PGAT模型在完成训练后，每一层会得到一个线性变换矩阵W，该矩阵与第i个节点的特征相乘得到该节点的隐藏特征；由于PGAT每一层共享矩阵W的参数，通过同一个矩阵W计算该层任何一个节点的隐藏特征；基于公式(2)，任意两个节点之间的权重系数以两个节点的隐藏特征作为输入，将其输入进评分函数中，即公式(3)；增加模型的非线性，使用激活函数LeakyReLU，通过公式(4)将中心节点与其邻居节点之间的分数做归一化处理，使得计算得到的分数具有可比性，在完成分数的计算之后，中心节点i聚合其邻居节点的特征，该聚合过程如公式(6)，若正在聚合的层是模型的最后一层，则对多头取平均值，并经由softmax函数计算每种故障的概率值，取获得最大概率值的类别为最终的诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210233730.0A CN114580108B (zh) | 2022-03-10 | 2022-03-10 | 一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210233730.0A CN114580108B (zh) | 2022-03-10 | 2022-03-10 | 一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114580108A CN114580108A (zh) | 2022-06-03 |
| CN114580108B true CN114580108B (zh) | 2023-09-05 |
Family
ID=81773814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210233730.0A Active CN114580108B (zh) | 2022-03-10 | 2022-03-10 | 一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114580108B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1428944A (en) * | 1974-02-19 | 1976-03-24 | Gen Radio Co | Method and apparatus for automatic fault diagnosis of electrical circuits employing on-line simulation of faults in such circuits during diagnosis |
| CN112395159A (zh) * | 2020-11-17 | 2021-02-23 | 华为技术有限公司 | 一种日志检测方法、系统、设备及介质 |
| CN113110398A (zh) * | 2021-05-13 | 2021-07-13 | 浙江理工大学 | 基于动态时间归整和图卷积网络的工业过程故障诊断方法 |
| CN113283027A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
-
2022
- 2022-03-10 CN CN202210233730.0A patent/CN114580108B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1428944A (en) * | 1974-02-19 | 1976-03-24 | Gen Radio Co | Method and apparatus for automatic fault diagnosis of electrical circuits employing on-line simulation of faults in such circuits during diagnosis |
| CN112395159A (zh) * | 2020-11-17 | 2021-02-23 | 华为技术有限公司 | 一种日志检测方法、系统、设备及介质 |
| CN113110398A (zh) * | 2021-05-13 | 2021-07-13 | 浙江理工大学 | 基于动态时间归整和图卷积网络的工业过程故障诊断方法 |
| CN113283027A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 深度学习技术及其故障诊断应用分析与展望;张西宁 等;西安交通大学学报;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114580108A (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2023042527A (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
| US8630962B2 (en) | Error detection method and its system for early detection of errors in a planar or facilities | |
| CN109697455B (zh) | 配网开关设备的故障诊断方法及装置 | |
| CN111367777B (zh) | 告警处理的方法、装置、设备及计算机可读存储介质 | |
| CN112232244A (zh) | 一种滚动轴承故障诊断方法 | |
| EP2410312A1 (en) | A method for computer-assisted analyzing of a technical system | |
| Xu et al. | A novel multimanifold joint projections model for multimode process monitoring | |
| CN110807245B (zh) | 一种设备故障预警的自动建模方法和系统 | |
| CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
| JP2024502098A (ja) | 時系列データの異常監視方法、装置、電子機器及び記憶媒体 | |
| CN113255236A (zh) | 基于孪生网络的非侵入式负荷自适应识别方法 | |
| CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
| CN115358281A (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
| CN114580108B (zh) | 一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法 | |
| CN114841076A (zh) | 基于时空图模型的动力电池生产工艺波动异常检测方法 | |
| CN114416423A (zh) | 一种基于机器学习的根因定位方法和系统 | |
| CN112966017A (zh) | 一种时间序列中不定长的异常子序列检测方法 | |
| CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 | |
| CN112487048A (zh) | 基于时间序列异常波动的关联分析方法及装置 | |
| CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
| WO2023093431A1 (zh) | 一种模型训练方法、装置、设备、存储介质和程序产品 | |
| CN110837953A (zh) | 一种自动化异常实体定位分析方法 | |
| CN114227701B (zh) | 一种基于生产数据的机器人故障预测方法 | |
| CN115795389A (zh) | 一种变压器冷却装置运行工况的监测方法及系统 | |
| CN112988529A (zh) | 一种基于机器学习进行数据库系统性能预测的方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |